این مقاله توضیح عملــی مدل هوش تجاری (BIM) را ارائه می‌دهد. پس از مطالعه، اصول اولیه این ابزار استراتژی قدرتمند را درک خواهید کرد.
مدل هوش تجاری (BIM) چیست؟
مدل هوش تجاری (BIM) مدلــی است که به مشاغل فرصت می‌دهد تا داده‌های خام را به اطلاعات معنی‌دار و مفید تبدیل کنند تا بتوانند یک برنامه استراتژیک موثر ایجاد کنند و همچنین بینش‌های تاکتیکــی و عملیاتی برای تصمیم‌گیری در یک بازه زمانی مشخص ایجاد کنند. در نهایت، این دانش باید به افراد مناسب، در زمان مناسب و از طریق کانال مناسب برسد. سازمان‌ها حجم زیادی از اطلاعات را جمع‌آوری می‌کنند. اینــها اغلب داده‌های خام هستند، مانند حقایق و زنجیره‌های داده بزرگ.
این اطلاعات، داده‌ها، باید پردازش و تفسیر شوند زیرا فرصت‌های جدیدی را در سازمان باز می‌کند، که ممکن است منجــر به مزیت رقابتی شود. هدف هوش تجاری (BI) بستگی به استراتژی سازمان دارد. این اغلب از بیانیه هدف یا مأموریت کسب و کار گرفته می‌شود. ریچارد میلار دیونز اصطلاح هوش تجاری (BI) را در سال 1865 به Cyclopaedia of Business and Anecdotes ارائه کرد. بعدها، در سال 1958، دانشمند کامپیوتر IBM، هانس پیتر لون مقاله‌ای در مورد پتانسیل BI از طریق استفاده از فناوری منتشر کرد.
برنامه‌ها و ابزارهای هوش تجاری
هوش تجاری (BI) به خودی خود یک محصول یا سیستم نیست. بیشتر اوقات، از مدل هوش تجاری (BIM) به عنوان معماری یاد می‌شود که شامل مجموعه‌ای از برنامه‌ها و پایگاه‌های داده یکپارچه است که از عملیات و فرایند تصمیم‌گیری پشتیبانی می‌کند. اینها دسترسی آسان به داده‌های تجاری و بازار را برای دنیای تجارت فراهم می‌کنند. چنین برنامه‌های هوش تجاری از سیستم‌های پشتیبانی و تصمیم‌گیری (DSS)، سیستم‌ها، گزارش‌ها، پردازش تحلیلی آنلاین (OLAP)، تجزیه و تحلیل داده‌های استاتیک، پیش آگهی و داده‌کاوی پشتیبانی می‌کند.
DSS
سیستم پشتیبانی تصمیم (DSS) یک سیستم پشتیبانی کامپیوتری است که توسط مدیران و برنامه‌ریزان برای تصمیم‌گیری استفاده می‌شود. DSS ترکیبی از سیستم‌های تفکر و مدل سازی انسان است تا بتواند تصمیمات آگاهانه و مدون گرفته شود. به عنوان مثال، DSS در راه‌حل‌های لجستیکی استفاده می‌شود. یک کسب و کار با فهرست موجودی بزرگ می‌تواند از DSS برای ایجاد حرکت در زنجیره تامین استفاده کند.
OLAP
پردازش تحلیلی آنلاین (OLAP) یکی دیگر از راه حل‌های موثر فناوری اطلاعات است که در فرایند تصمیم‌گیری دنیای تجارت بسیار مورد استفاده قرار می‌گیرد. با استفاده از این سیستم، می‌توان به سرعت محاسبات تجزیه و تحلیل و گزارش را انجام داد. این سیستم به داده‌های تجاری متمرکز دسترسی دارد که به سرعت تجزیه و تحلیل می‌کند. بینش‌های شکل گرفته در اینجا در فرایند تصمیم‌گیری استفاده می‌شود. برنامه‌های کاربردی مانند DSS و OLAP نیز در مدل هوش تجاری (BIM) ظاهر می‌شوند.
OLAP، که نباید با OLTP اشتباه گرفته شود، برای مطالعه تفاوت این دو کلیک کنید. اغلب با حجم عظیمی از داده‌ها، Big Data، همراه است. به کارکنان بانک فکر کنید که رفتار بانکداری آنلاین مشتریانشان را چگونه تجزیه و تحلیل می‌کنند. OLAP ابتدا داده‌ها را از حساب‌های بانکــی همه مشتریان درخواست می‌کند، فعالیت کاربران را تجزیه و تحلیل می‌کند، و سپس بینش‌ها را به صورت بدون عارضه ارائه می‌دهد.
انبارهای داده
این نرم‌افزار برای استفاده در مقاله های قبلی توضیح داده شده نیاز به دسترسی به داده‌های زیاد، متمرکز یا غیر متمرکز دارد. داده‌ها در اشکال و اندازه‌های مختلف ارائه می‌شوند. برخــی از داده‌ها از سیستم‌ها، برخی دیگر از پایگاه داده‌ای است که توسط بخش خاصــی مدیریت می‌شود، و غیره. این اغلب مربوط به گزارش‌های ایجاد شده به صورت خودکار، یا لیست‌هایــی است که به صورت دستی در Excel نگهداری می‌شوند.
نقشه راه مدل هوش تجاری (BIM)
هوش تجاری (BI) اغلب سخت‌تر از آن چیزی است که واقعاً تصور می‌شود. به طور طبیعی، جمع‌آوری و پردازش اطلاعات حساس تجاری یا یک فرایند ظریف است، اما با نقشه راه شش مرحله‌ای مدل هوش تجاری (BIM) آسان‌تر می‌شود.
نقشه راه مدل هوش تجاری (BIM) – toolhero
1. مجموعه و ورودی
اولین مرحله جمع‌آوری داده‌ها و اتصال آنها به سیستم هوش تجاری (BI) است. بسته به سیستم مورد استفاده، می‌توان به سیستم دستور داد تا آنجا که ممکن است داده‌های مرتبط را از پایگاه داده متمرکــز دریافت کند، اما می‌توان اسناد Excel را نیز اضافه کرد. تنوع زیادی در انواع منابع و داده‌ها وجود دارد و همه آنها روش درخواست و ورودی خود را دارند.
2. آماده‌سازی
پس از ورودی، همه داده‌ها در قالب صحیح در دسترس نیستند. این امر به ویژه هنگامی مورد استفاده قرار می‌گیرد که چندین نوع داده، به عنوان مثال اطلاعات کمّــی، با هم استفاده شوند. این بدان معناست که اغلب داده‌ها باید برای تجزیه و تحلیل آماده شوند. این در مرحله آماده‌سازی اتفاق می‌افتد. در اینجا، داده‌های خام به مجموعه‌ای روشن از داده‌ها تبدیل می‌شوند.
این مرحله به طور کلــی زمان زیادی می‌برد، اما برای تجزیه و تحلیل قابل اعتماد و کارآمد ضروری است. داده‌های خام را می‌توان در نرم‌افزارهای آماری مانند SPSS IBM ثبت کرد که آن را پاک می‌کند و آن را به دسته‌ها تقسیم می‌کند. اگر مجموعه داده‌ها بزرگ باشد، همانطور که در مورد Big Data وجود دارد، به فناوری‌های پیشرفته دیگری نیاز است.
3. فیلتر کردن
اکنون که همه داده‌ها جمع‌آوری، تمیز و وارد شده‌اند، باید انتخابــی با داده‌های مربوطه انجام شود. ممکن است داده‌های رفتار مشتری پنج سال گذشته در دسترس باشد، اما مدیر فقط می‌خواهد از داده‌های دو سال گذشته استفاده کند.
4. تجزیه و تحلیل
هنگامــی که داده‌ها در یک قالب قابل اجرا هستند، تجزیه و تحلیل واقعی می‌تواند شروع شود. این همان چیزی است که در مدل هوش تجاری (BIM) وجود دارد. این جایی است که تصمیم گرفته می‌شود که کدام مقطع باید از داده‌ها ساخته شود. میانگین در هر ماه و سال، در هر بخش، همبستگی بین دو متغیر، هر آنچه که سازمان در آن لحظه می‌خواهد. امکانات با داده‌ها بی پایان است و می‌توان با افزودن محاسبات بینش بیشتری ایجاد کرد.
5. پیاده‌سازی / گزارش
تجزیه و تحلیل در یک مدل تجزیه و تحلیل خلاصه شده است. یک مدل تجزیه و تحلیل موثر این امکان را فراهم می‌کند که بر اساس گزارشات و داشبورد به راحتی و به وضوح بینش کسب کنید. این اجرا نامیده می‌شود و اساس، برای مثال، یک انتخاب استراتژیک را تشکیل می‌دهد. پیاده‌سازی می‌تواند به طرق مختلف صورت گیرد: گزارشات حرفه‌ای، لیست اعداد ساده، جداول نتایج گرافیکــی تعاملی، اینفوگرافیک و غیره.
6. اشتراک گذاری
در مرحله نهایی مدل هوش تجاری (BIM)، یکــی در نظر می‌گیرد که چگونه نتایجی که در مرحله قبل به آنها داده شده است در زمان مناسب به افراد مناسب می‌رسد. این کار اغلب با نوشتن یک ایمیل سریع با پیوست یک سند Excel انجام می‌شود. با این حال، این خطر وجود دارد که نسخه‌های مختلف یک فایل با هم مخلوط شوند. راه حل‌های پیچیده‌تر اطلاعات، اغلب دارای یک پورتال اطلاعات داخلــی هستند.
مدل هوش تجاری حریم خصوصــی و داده‌ها
به عنوان مثال، سازمان‌ها آنقدر اطلاعات زیادی در مورد مصرف کنندگان جمع‌آوری و تجزیه و تحلیل می‌کنند که دولت‌ها در سراسر جهان مقررات سختگیرانه‌ای را ایجاد کرده‌اند تا بتوانند نحوه جمع‌آوری و استفاده از داده‌های مصرف کنندگان را کنترل کنند. اتحادیه اروپا به عنوان مثال دارای GDPR است: مقررات عمومی حفاظت از داده‌ها در سال 2018 موثر واقع شد. ایالات متحده از قانون حفظ حریم خصوصی مصرف کنندگان کالیفرنیا (CCPA) استفاده می‌کند.
این مقررات کلــی هنگام جمع‌آوری، ذخیره، استفاده و به اشتراک‌گذاری داده‌ها مقررات را برای مشاغل پیاده می‌کند. اگر سازمان‌ها از قوانین پیروی نکنند، می‌توانند انتظار مجازات شدید داشته باشند.
منبع:
آخرین مطالب
